NMR based serum metabolomics reveals a distinctive signature in patients with Lupus Nephritis
Notice bibliographique
Résumé
Abstract Management of patient with Lupus Nephritis (LN) continues to remain a challenge for the treating physicians because of considerable morbidity and even mortality. The search of biomarkers in serum and urine is a focus of researchers to unravel new targets for therapy. In the present study, the utility of NMR-based serum metabolomics has been evaluated for the first time in discriminating LN patients from non-nephritis lupus patients (SLE) and further to get new insights into the underlying disease processes for better clinical management. Metabolic profiling of sera obtained from 22 SLE patients, 40 LN patients and 30 healthy controls (HC) were performed using high resolution 1D1H-CPMG and diffusion edited NMR spectra to identify the potential molecular biomarkers. Using multivariate analysis, we could distinguish SLE and LN patients from HC and LN from SLE patients. Compared to SLE patients, the LN patients had increased serum levels of lipid metabolites (including LDL/VLDL lipoproteins), creatinine and decreased levels of acetate. Our results revealed that metabolic markers especially lipids and acetate derived from NMR spectroscopy has high sensitivity and specificity to distinguish LN among SLE patients and has the potential to be a useful adjunctive tool in diagnosis and clinical management of LN.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».